基于YOLOv3的日用陶瓷產品缺陷檢測算法研究

摘 要：為解決日用陶瓷產品缺陷檢測難題，本文以陶瓷盤為研究對象，基于YOLOv3目標檢測算法實現對陶瓷盤表面裂紋、破損、落渣、斑點這四種缺陷進行檢測和識別。實驗結果表明，模型在陶瓷盤表面缺陷識別上的平均精確率為89.2%，展示了該方法的有效性和潛在的工業應用價值。

關鍵詞：YOLOv3;日用陶瓷;檢測;目標檢測

1 引 言

陶瓷盤表面缺陷檢測難題一直是陶瓷生產領域的一大挑戰。陶瓷盤作為日常用品，其表面質量直接關系到產品的美觀度、耐用性和安全性。然而，在生產過程中，由于原料、工藝、設備等多種因素的影響，陶瓷盤表面容易出現各種缺陷，如裂紋、破損、落渣、斑點等。這些缺陷不僅影響產品的外觀，還減少了陶瓷產品的使用壽命[1]。

傳統的陶瓷盤表面缺陷檢測方法主要依賴于人工目視檢查，這種方法存在諸多不足。首先，人工檢測容易受到人為因素的影響，如疲勞、注意力分散等，導致檢測結果的準確性和一致性難以保證[2]。其次，人工檢測效率低下，難以滿足大規模生產線的快速檢測需求。此外，對于一些微小或隱蔽的缺陷，人工檢測往往難以發現，從而增加了產品質量風險。

為了解決這些難題，近年來，基于計算機視覺和深度學習的自動缺陷檢測方法逐漸成為研究熱點[3]。這些方法通過訓練模型來學習和識別陶瓷盤表面的缺陷特征，從而實現對缺陷的自動檢測和分類[4]。與傳統的人工檢測方法相比，自動檢測方法具有更高的準確性、一致性和效率。

為了進一步提高日用陶瓷產品的質量檢測效率和準確性，本研究選擇了陶瓷盤作為主要研究對象，采用了YOLOv3目標檢測算法。YOLOv3算法以其高效的檢測速度和較高的準確率，在目標檢測領域尤其是實時檢測領域獲得了廣泛的應用[5]。本研究的目標是實現對陶瓷盤上常見的四種缺陷：表面裂紋、破損、落渣和斑點的自動化識別和檢測?？紤]到環境光照影響，將高光也當作一類目標，進行檢測和識別。

通過對大量含有上述缺陷的陶瓷盤圖片進行了收集和標注，建立了一個包含多樣化樣本的數據集，以訓練和驗證YOLOv3模型的性能。

實驗結果表明，使用YOLOv3模型對陶瓷盤表面缺陷進行識別，平均精確率高達89.2%具有一定的推廣意義。在實際應用中，只需將待檢測的陶瓷盤圖像輸入到訓練好的模型中，模型即可自動檢測出圖像中的裂紋、破損、落渣和斑點等缺陷，并給出相應的位置和類別信息。這些信息可以幫助生產人員及時發現和處理缺陷產品，提高產品質量和生產效率。綜上所述，基于YOLOv3目標檢測算法的陶瓷盤缺陷檢測方法具有廣泛的應用前景和實用價值，可以為陶瓷生產行業的自動化和智能化升級提供有力支持。

2 YOLOv3簡介

YOLOv3采用了一種名為Darknet-53的深層卷積神經網絡架構，這個名字來源于網絡的53個卷積層。Darknet-53融合了殘差連接（Residual Connections），增強了特征的傳遞，使得網絡即使在很深的情況下也能有效地學習[6]。殘差塊有助于緩解深層網絡訓練過程中的梯度消失問題，從而提高了模型的訓練效率和性能[7]。YOLOv3的一個顯著特點是其能夠在三個不同尺度上進行預測。這通過在網絡的不同層次上添加預測分支來實現。具體來說，它在網絡的最后一層以及兩個上采樣（upsample）之后的層上進行預測，這允許模型利用不同層次的特征圖對小到大的對象進行檢測[8]。每個尺度都使用了特定大小的特征圖，對應于不同的錨點框尺寸，以便更精確地預測各種大小的邊界框。YOLOv3利用錨點框（anchor boxes）來預測邊界框，通過聚類分析先前數據集中的邊界框來確定錨點框的維度，從而更好地適配不同形狀和尺寸的對象[9]。每個格點（grid cell）都會預測多個邊界框，每個邊界框有自己的置信度和類別概率。置信度反映了邊界框內是否存在對象以及邊界框的準確性，而類別概率表示邊界框內對象屬于某個特定類別的概率。YOLOv3的損失函數是為了同時優化分類誤差、定位誤差（邊界框坐標）以及置信度誤差。分類誤差通過二元交叉熵計算，針對每個類別獨立預測。定位誤差采用均方誤差，但只對包含目標的邊界框計算。置信度誤差也采用均方誤差，用于評估邊界框內是否存在對象以及預測的邊界框與實際邊界框之間的匹配程度[10]。

3實驗結果與分析

3.1實驗配置

實驗環境為Windows 10操作系統，詳細實驗配置如表1所示。

圖1所示為采集5種類別目標圖像，分別是：斑點、高光、裂紋、破損、落渣，總共人工標注2404張照片，將數據集85%劃分為訓練集，10%作為驗證集，剩余5%則為測試集，數據集具體分布如表2所示。

3.2實驗結果

YOLOv3模型實驗結果如圖2、3所示，F1分數為86%，平均識別精確率高達89.2%，其中裂紋識別精確率高達94.2%，破損識別精確率為81.7%，落渣識別精確率為81.7%，斑點識別精確率為94.9，高光識別精確率為93.6%。YOLOv3模型檢測結果如圖3所示。

4總結

針對日用陶瓷產品缺陷檢測問題，以陶瓷盤為研究對象，使用YOLOv3目標檢測算法對相關缺陷進行檢測和識別。實驗結果表明，模型在陶瓷盤表面缺陷識別上的平均精確率為89.2%，展示了該方法的有效性和潛在的工業應用價值。其中，裂紋識別精確率為94.2%，破損為81.7%，落渣同樣為81.7%，斑點達到了94.9%，而對高光的識別準確率也高達93.6%。此外，模型的F1分數為86%，進一步證明了其可靠性。本研究使用的YOLOv3目標檢測算法不僅可以檢測陶瓷盤產品，還可以推廣到其他陶瓷產品表面缺陷檢測，為陶瓷生產行業的自動化和智能化升級提供了有力的技術支持。

參考文獻

[1]郭蔓影.基于機器視覺的日用瓷產品質量檢測系統設計與實現[D].廈門大學，2017.

[2]朱永紅，王偉，熊朦.基于多智能體技術日用陶瓷質量等級分類方法研究[J].中國陶瓷，2017，53（01）：55-62.DOI：10.16521/j.cnki.issn.1001-9642.2017.01.011.

[3]熊朦.基于多智能體技術的日用瓷檢測分類方法研究[D].景德鎮陶瓷大學，2016.DOI：10.27191/d.cnki.gjdtc.2016.000026.

[4]謝森林，曾輝，董曉慶.基于機器視覺的日用瓷表面缺陷檢測[J].韓山師范學院學報，2014，35（06）：43-48.

[5]李澤輝，陳新度，黃佳生，等.基于改進YOLOv3的紋理瓷磚缺陷檢測[J].激光與光電子學進展，2022，59（10）：294-302.

[6]周云浩，郭達奇，周鑫，等.基于YOLOv3的輸電工程智能檢測與分析技術研究[J].電子設計工程，2024，32（05）：66-69+74.DOI：10.14022/j.issn1674-6236.2024.05.013.

[7]吳方權，李文虎，張磊，等.基于YOLOv3和ROS系統的無人機距離檢測[J].科技與創新，2024，（05）：20-23.DOI：10.15913/j.cnki.kjycx.2024.05.005.

[8]周云浩，郭達奇，周鑫，等.基于YOLOv3的輸電工程智能檢測與分析技術研究[J].電子設計工程，2024，32（05）：66-69+74.DOI：10.14022/j.issn1674-6236.2024.05.013.

[9]吳方權，李文虎，張磊，等.基于YOLOv3和ROS系統的無人機距離檢測[J].科技與創新，2024，（05）：20-23.DOI：10.15913/j.cnki.kjycx.2024.05.005.

[10]許霞，吳陳，楊英豪.基于Yolov3的人臉檢測算法研究[J].計算機與數字工程，2023，51（12）：2984-2990.